數據挖掘中的聚類算法的研究及分析.pdf

1、隨著互聯網和電子商務的急速發(fā)展，需要處理的數據量也是急速增長。面對海量的數據，數據挖掘技術應運而生，它涉及了機器學習、模式識別、統(tǒng)計學、人工智能等多門學科。數據挖掘技術實現難度大，技術含量高，更注重于從海量數據中發(fā)現隱含的知識的可伸縮性。
　　聚類分析是數據挖掘領域中一種重要的方法，而模糊C均值（FCM）聚類算法是聚類分析中應用最為廣泛的算法，面對當今海量的待聚類數據，FCM聚類算法的缺點尤為突出，主要表現為：數據量大時FCM算法

2、收斂速度較慢；聚類數目需要事先人為給定，具有很大的不確定性；對噪聲數據敏感，抗噪性能差。
　　針對FCM算法的以上缺點，本文就FCM聚類算法及改進算法進行了分析及結合?；谀：丶s束的FCM聚類算法，進一步分析了加入相對熵約束的FCM聚類算法，該方法將相對熵作為調節(jié)函數加入目標函數中，最大化不同類之間的相異度，而且具有對噪聲數據點分配低隸屬度值的能力，從而有效的抑制了噪聲數據對聚類中心的影響，并且加入相對熵系數?，用來調節(jié)相對熵的

3、重要程度，以適應不同用戶的需求。同時，在此算法中加入了魏立梅提出的對手抑制式方法，加快了算法的收斂速度；此外，針對聚類數目需要事先人為給定的缺點，加入聚類有效性函數，實現了聚類數目的自動優(yōu)選。
　　最后，將結合后的算法在MATLAB平臺上進行仿真實現，數據集使用簡單數據集、二維數據集、三維數據集、IRIS數據集，并與傳統(tǒng)的FCM算法、基于模糊熵的FCM算法進行比較。實驗證明：結合后的FCM算法不但在抗噪性能方面有很大的提高，而且收